Buchumschlag

SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ueno, Koki, Ohuchi, Satoru, Ichikawa, Kazuhide, Amii, Kei, Wakasugi, Kensuke
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accelerating Optimal Elemental Configuration Search in Crystal using Ising Machine
von: Ichikawa, Kazuhide, et al.
Veröffentlicht: (2023)

Engineering Spin Splitting in Antiferromagnets by Superatoms with Internal Degree of Freedom
von: Ma, Fengxian, et al.
Veröffentlicht: (2025)

Interplay of Valley, Orbital, Spin, and Layer Degrees of Freedom in Ta$_2$CS$_2$ MXene
von: Dutta, Kunal, et al.
Veröffentlicht: (2026)

Spin Neural Network Potential for Magnetic Phase Transitions in Uranium Dioxide
von: Kobayashi, Keita, et al.
Veröffentlicht: (2026)

Multi-Task Multi-Fidelity Learning of Properties for Energetic Materials
von: Appleton, Robert J., et al.
Veröffentlicht: (2024)

Crystal Structure Generation Based on Polyhedra using Dual Periodic Graphs
von: Yokoyama, Tomoyasu, et al.
Veröffentlicht: (2023)

From Polyhedra to Crystals: A Graph-Theoretic Framework for Crystal Structure Generation
von: Yokoyama, Tomoyasu, et al.
Veröffentlicht: (2025)

Shotgun crystal structure prediction using machine-learned formation energies
von: Liu, Chang, et al.
Veröffentlicht: (2023)

Symmetry-Constrained Multi-Scale Physics-Informed Neural Networks for Graphene Electronic Band Structure Prediction
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

Symplectic Spin-Lattice Dynamics with Machine-Learning Potentials
von: Huang, Zhengtao, et al.
Veröffentlicht: (2025)

Accelerating Quantum Materials Characterization: Hybrid Active Learning for Autonomous Spin Wave Spectroscopy
von: Ratcliff II, William
Veröffentlicht: (2026)

Orb: A Fast, Scalable Neural Network Potential
von: Neumann, Mark, et al.
Veröffentlicht: (2024)

Multi-wavelength Spin Dynamics of Defects in Hexagonal Boron Nitride
von: Zhigulin, Ivan, et al.
Veröffentlicht: (2026)

Accurate and Data-Efficient Micro-XRD Phase Identification Using Multi-Task Learning: Application to Hydrothermal Fluids
von: Li, Yanfei, et al.
Veröffentlicht: (2024)

Designing Superionic Conductors Using Tetrahedrally Packed Structures
von: Yokoyama, Tomoyasu, et al.
Veröffentlicht: (2024)

Quantum computation of a quasiparticle band structure with the quantum-selected configuration interaction
von: Ohgoe, Takahiro, et al.
Veröffentlicht: (2025)

On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach
von: Rensmeyer, Tim, et al.
Veröffentlicht: (2025)

Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances
von: Musielewicz, Joseph, et al.
Veröffentlicht: (2024)

A General Neural Network Potential for Energetic Materials with C, H, N, and O elements
von: Wen, Mingjie, et al.
Veröffentlicht: (2025)

Accurate and Uncertainty-Aware Multi-Task Prediction of HEA Properties Using Prior-Guided Deep Gaussian Processes
von: Alvi, Sk Md Ahnaf Akif, et al.
Veröffentlicht: (2025)

Spin-Seebeck Signatures of Spin Chirality in Kagome Antiferromagnets
von: Konomaev, Feodor Svetlanov, et al.
Veröffentlicht: (2025)

Continuous PT-Symmetry Breaking as a Design Variable for Giant Altermagnetic Spin Splitting
von: Chun, Kichan, et al.
Veröffentlicht: (2026)

Large Spin Hall Effect in High-Entropy Alloy/CoFeB Bilayers
von: Kubota, Takahide, et al.
Veröffentlicht: (2025)

Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials
von: Dong, Guangyi, et al.
Veröffentlicht: (2025)

UniMat: Unifying Materials Embeddings through Multi-modal Learning
von: Ock, Janghoon, et al.
Veröffentlicht: (2024)

Deep Generative Learning of Magnetic Frustration in Artificial Spin Ice from Magnetic Force Microscopy Images
von: Neogi, Arnab, et al.
Veröffentlicht: (2025)

Flexible Cutoff Learning: Optimizing Machine Learning Potentials After Training
von: Oerder, Rick, et al.
Veröffentlicht: (2026)

Observation of Terahertz Spin Hall Conductivity Spectrum in GaAs with Optical Spin Injection
von: Fujimoto, Tomohiro, et al.
Veröffentlicht: (2023)

Multi-Label Phase Diagram Prediction in Complex Alloys via Physics-Informed Graph Attention Networks
von: Park, Eunjeong, et al.
Veröffentlicht: (2026)

Lagrangian Neural Networks for Reversible Dissipative Evolution
von: Sundararaghavan, Veera, et al.
Veröffentlicht: (2024)

Enhancing Machine Learning Potentials through Transfer Learning across Chemical Elements
von: Röcken, Sebastien, et al.
Veröffentlicht: (2025)

Understanding the Capabilities of Molecular Graph Neural Networks in Materials Science Through Multimodal Learning and Physical Context Encoding
von: Polat, Can, et al.
Veröffentlicht: (2025)

Chirality-Induced Spin Selectivity: Nonlinear Spin Response from Electron-Phonon Scattering
von: Gupta, Mayank, et al.
Veröffentlicht: (2025)

Spin Splitting Tunable Optical Bandgap in GdN Thin Films for Spin Filtering
von: Vilela, G. L. S., et al.
Veröffentlicht: (2023)

High accuracy Spin Hall Effect Induced Spin Accumulation detection in MOKE Measurements
von: Longo, Emanuele, et al.
Veröffentlicht: (2025)

Spin PN Junctions: Giant Magnetoresistance, Tunable Circular Polarization, and Spin Zener Filter
von: Xue, Chun-Yi, et al.
Veröffentlicht: (2025)

PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
von: Koker, Teddy, et al.
Veröffentlicht: (2026)

Quantifying and Visualizing the Microscopic Degrees of Freedom of Grain Boundaries in the Wigner-Seitz Cell of the Displacement-Shift-Complete Lattice
von: Winter, Ian S., et al.
Veröffentlicht: (2025)

Unsupervised Atomic Data Mining via Multi-Kernel Graph Autoencoders for Machine Learning Force Fields
von: Sun, Hong, et al.
Veröffentlicht: (2025)